RecyclerView

ListView

MainActivity:
public class MainActivity extends AppCompatActivity {

    private RecyclerView recyclerView;
    private List<String> list= new ArrayList<String>();
    private MyAdapter adapter;
    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);
        init();
        indate();
        LinearLayoutManager linearLayoutManager = new LinearLayoutManager(this,LinearLayoutManager.VERTICAL,false);
        recyclerView.setLayoutManager(linearLayoutManager);
        adapter = new MyAdapter(MainActivity.this,list);
        recyclerView.setAdapter(adapter);
    }

    private void indate() {

        for (int i = 'a'; i <'z' ; i++) {

            list.add(Character.toString((char)i));

        }
    }

    private void init() {

        recyclerView = (RecyclerView) findViewById(R.id.recycler);
    }
}
MyAdapter
public class MyAdapter extends RecyclerView.Adapter<MyViewHold> {


    private LayoutInflater myInflater;
    private Context context;
    private List<String> list;
    public MyAdapter(Context context,List<String> list){

        this.context= context;
        myInflater =LayoutInflater.from(context);
        this.list = list;

    }
    @Override
    public MyViewHold onCreateViewHolder(ViewGroup parent, int viewType) {

        View view= myInflater.inflate(R.layout.intem_listview,parent,false);
        MyViewHold myViewHold = new MyViewHold(view);
        return myViewHold;
    }

    @Override
    public void onBindViewHolder(MyViewHold holder, int position) {
        System.out.println(holder.tv);

        holder.tv.setText(list.get(position));
    }

    @Override
    public int getItemCount() {
        return list.size();
    }
}

class MyViewHold extends RecyclerView.ViewHolder {

    public TextView tv;
    public MyViewHold(View itemView) {
        super(itemView);
        tv = (TextView) itemView.findViewById(R.id.textView);

    }
}

  

转载于:https://www.cnblogs.com/qcgAd/p/5128493.html

内容概要:本文介绍了一种利用遗传算法优化BP神经网络进行回归预测的方法,并提供了完整的MATLAB程序代码。主要内容包括数据预处理、遗传算法与BP神经网络的结合、适应度函数的设计以及最终的预测结果展示。文中详细解释了如何将Excel格式的数据导入MATLAB并进行归一化处理,如何定义适应度函数来优化BP神经网络的参数(如激活函数和学习率),并通过遗传算法找到最优解。实验结果显示,在某工业数据集上,经过遗传算法优化后的BP神经网络预测精度显著提高,从原来的0.82提升到了0.91。此外,还提到了一些实用技巧,比如调整遗传代数、修改激活函数等方法进一步改进模型性能。 适合人群:对机器学习有一定了解的研究人员和技术爱好者,特别是那些希望深入了解遗传算法与BP神经网络结合应用的人士。 使用场景及目标:适用于需要快速构建高效回归预测模型的场景,尤其是当传统BP神经网络无法达到预期效果时。通过本篇文章的学习,读者能够掌握一种有效的优化手段,从而提高模型的泛化能力和预测准确性。 其他说明:代码可以直接应用于新的数据集,只需确保数据格式符合要求(Excel格式)。对于想要深入探索或改进现有模型的人来说,还可以尝试更换不同的激活函数或其他调节方式来获得更好的表现。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值